VMware Converter 是一款能将物理电脑系统、VMware其他版本虚拟机镜像或第三方虚拟机镜像转化为一个虚拟机映像文件的工具，而且生成的映像可以在该公司的VMware虚拟机软件中使用。

用Pytorch实现我们的CIFAR10的图像分类 模型有LeNet，AlexNet，VGG，GoogLeNet，ResNet，DenseNet 在资源中有全部代码的学习资料，并且包括所有的权重，代码所有都可运行，可执行，可复现代码的结果 可以利用所有的模型权重进行迁移学习 除此之外，还有所有迁移学习的代码，可以利用迁移学习的代码对猫狗数据集进行训练学习

AD从win2003迁移至win2008

windows serve 2000或windows server 2003域环境升级至widows serve 2008 R2环境，经本人亲测试此办法（）备注：2003是32位的，打命令的时候记得是找32位的程序：注意：32位win2000或win2003到32位系统2008系统均可通过上面方法进行。 32位win2000或win2003到64位系统2008系统，则需把64位2008系统光盘中的adprep目录复制到2系统中，并执行adprep32命令在32系统中运行后，才能迁移到64位2008中。 以上均通过本人测试，使用，在此感谢原作者的内容。 Window server 2008R2　adprep存放在support下面 绝对超值的资料

如何从少数训练样本中学习并识别新的类别对于深度神经网络来说是一个具有挑战性的问题。针对如何解决少样本学习的问题，全面总结了现有基于深度神经网络的少样本学习方法，涵盖了方法所用模型、数据集及评估结果等各个方面。具体地，针对基于深度神经网络的少样本学习方法，提出将其分为数据增强方法、迁移学习方法、度量学习方法和元学习方法四种类别；对于每个类别，进一步将其分为几个子类别，并且在每个类别与方法之间进行一系列比较，以显示各种方法的优劣和各自的特点。最后强调了现有方法的局限性，并指出了少样本学习研究领域未来的研究方向。

在工厂和工作场所，有很多情况下，人们可以通过视觉读取仪表值，但越是连续执行，工人的负担就越大，并且可能会发生人为错误。有许多基于规则的图像处理工作，但要创建可在任何环境中使用的稳健算法并不容易。 在此示例代码中，相机获取的仪表值是使用深度学习来预测的。这是自定义用于回归图像判断的训练过的 CNN (AlexNet) 并将仪表值（连续值）应用于读数的示例。 AlexNet 的训练网络可在此处获得。 https://jp.mathworks.com/matlabcentral/fileexchange/59133-deep-learning-toolbox-model-for-alexnet-network [Keyward]图像处理、计算机视觉、深度学习、机器学习、CNN、IPCV演示、深度学习、机器学习、回归、回归、迁移学习

图像风格迁移技术是计算机视觉中的重点技术，传统的图像风格迁移技术采 用手工演算的方式，计算过程复杂，计算时间漫长，图像风格迁移效果不理想。 随着人工智能技术在计算机视觉领域的应用逐步广泛，一些艺术风格神经算法逐 渐产生，可以对自然图像的内容和风格进行分离和重组。利用 VGG-19 神经网络 模型，结合人工智能开源框架 Pytorch 设计快速图像风格迁移算法。实验表明， 采用 VGG-19 神经网络模型的图像风格迁移技术，生成了具有高感知质量的新图 像，将任意照片的内容与众多著名艺术品的外观相结合，展示了其在高级图像合 成和操作方面的潜力

本文详细介绍如何讲oracle rac的数据库数据进行迁移备份，配有图文，适合做做实验在再去实践

基于深度学习的图像风格迁移研究综述.pdf

pytorch 迁移学习实战，天气识别